Data
Formation Deep Learning avec TensorFlow et Keras
Programme de la formation
Cette formation Deep Learning est axée sur la résolution de problèmes pratiques. Son objectif est de proposer aux participants une compréhension détaillée des principales architectures de réseaux de neurones, tout en gardant un focus très pragmatique sur leur utilisation optimale dans différentes conditions, avec de nombreux exemples, retours d’expérience et exercices.
La formation est composée de nombreux modules pratiques, dans lesquels les participants travailleront avec les frameworks TensorFlow et Keras. Ils pourront les utiliser sur différents cas faisant appel à des jeux de données d’images, de textes et de données tabulaires.
Tout au long de la formation, les participants seront amenés à penser les frameworks de Deep Learning comme des outils permettant non seulement d’entraîner et d’utiliser des algorithmes de Deep Learning complexes, mais aussi comme des outils de résolution de tout un ensemble de problèmes d’optimisation divers et variés.
Introduction au Deep Learning
- Qu’est-ce que le Deep Learning ?
- Gradient-Based Optimization
- Optimisation mathématique
- Introduction à TensorFlow et Keras
Réseaux de neurones “Fully-Connected”
- Introduction aux réseaux de neurones “Fully-Connected”
- Implémentation d’un réseau de neurones avec tf.keras
- Introduction à TensorBoard
- Regularisation pour les réseaux de neurones
- API Data de TensorFlow
- Bonnes pratiques pour le choix des hyperparamètres d’un réseau de neurones
- Tour d’horison des optimizers
- Gestion de l’instabilité du gradient
Réseaux de neurones convolutionnels (CNN)
- Intuitions autour des convolutions
- Réseaux de neurones convolutionnels pour les images
- Architectures types pour les CNN
- Transfer Learning
- Utilisation de TensorFlow Hub
Réseaux de neurones récurrents (RNN)
- Compréhension des réseaux de neurones récurrents
- Applications aux données textuelles
- Utilisations avancées des réseaux de neurones récurrents
Utilisations avancées des réseaux de neurones
- Autoencoders
- Generative Adversarial Networks
- Reinforcement Learning
Autres applications et bonnes pratiques
- API Features de TensorFlow
- API Estimator de TensorFlow
- Points d’attention autour du biais
Méthodes pédagogiques
Ce cours de 3 jours est découpé en 6 modules avec une validation des acquis à la fin de chaque module grâce à des exercices pratiques sous forme de notebooks Jupyter pour implémenter et tester les différentes architectures de réseaux de neurones.
Durée
3 jours soit 21 heures
Tarif HT
inter : 2 100 €
intra : Selon demande
Prochaines dates
26 - October 28
15 - December 17
29 - March 31
16 - June 18
Invalid Date - Invalid Date
Contact
Inscription
Public visé
Cette formation Deep Learning est à destination des Data Scientists, Machine Learning Engineers ou développeurs ayant une appétence et une première expérience avec le Machine Learning.
Prérequis
Une connaissance de Python est préférable, de même qu’une première expérience en Machine Learning. Une connaissance préalable de TensorFlow, Keras ou PyTorch n’est pas obligatoire. Les postes de travail et les logiciels nécessaires au bon déroulement de la formation sont fournis par Publicis Sapient Training.
Objectifs de la formation
- Connaître et comprendre les principales architectures de réseaux de neurones, ainsi que leur utilisation dans différents cas de figure
- Manipuler efficacement un framework pour le Deep Learning
- Connaître les bonnes pratiques autour de la résolution de problèmes de Deep Learning, tant sur l'optimisation des modèles que sur leur déploiement en production
Validation
À la fin de cette formation, les stagiaires recevront une attestation de présence.
Formateurs

Vladimir Vroust
Vladimir is a Data Scientist with 13 years of work experience.
Before becoming a Data Scientist, Vladimir worked as a Deputy Director of Product, a Management Consultant and a Developer in the areas of Finance and Cyber Security.
He has experience in Machine Learning and in particular in Deep Learning with large amounts of data, structured and unstructured.
Beside his various client assignments, Vladimir is also a trainer in Deep Learning both internally and externally.
Vladimir holds a MSc in Advanced Computational Methods for Aeronautics, Flow Management and Fluid Structure Interactions from Imperial College London.

Yoann Benoit
Diplômé de l’Ecole Centrale de Lille avec une spécialisation en Analyse de données et en Machine Learning, Yoann intervient sur des sujets relevants à la fois du Data Engineering et de la data Science. Il est formateur en Machine Learning sur Spark ainsi que sur le Deep Learning sur TensorFlow.
Il travaille sur des projets Data Science de bout en bout, de l’analyse exploratoire à leur mise en production. Il intervient sur les phases d’idéation et de prototypages de Use Cases Data Science ainsi que sur des expertises Deep Learning.
Il est intervenu en tant que speaker à Devoxx Guest aux côtés d’Anne-Sophie Girault le Mault pour sa conférence sur la dynamique de groupe et la structuration du temps.
Yoann est également speaker sur des conférences techniques d’envergure nationale :
- On-Device Intelligence : Intégrez du Deep Learning sur vos Smartphones (DevFest Nantes 2017, XebiCon 2017, AndroidMakers 2017)
- Le Deep Learning dans la vraie vie (XebiCon 2017)
- Data Science & Craftsmanship : Je t'aime, moi non plus (XebiCon 2016, PyData 2016)
- Utiliser du Deep Learning pour interpréter des photographies (XebiCon 2016)
- Machine Learning sur Spark (Devoxx 2015, Mix-IT 2015, BreizhCamp 2015)
Quelques publications :
- Les livres blancs de Xebia
- Les outils de la Data Science : Spark Mllib, théorie et concepts (1/2)
- Les outils de la Data Science : Spark Mllib, mise en pratique (2/2)
- Article Programmez ! Vos premiers pas en Machine Learning
- Les outils de la Data Science : Python Data Tools
Retrouvez égalemeent ses articles sur le blog Technique de Xebia.